scholarly journals IDENTIFIKASI HALITOSIS BERDASARKAN TINGKATAN BERBASIS SENSOR GAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION

2017 ◽  
Vol 1 (01) ◽  
pp. 35-47
Author(s):  
Dodon Yendri ◽  
Anisa Irviana ◽  
Andrizal Andrizal
Keyword(s):  
Diabetes Mellitus ◽  
Fourier Transform ◽  
Fast Fourier Transform ◽  
Vector Quantization ◽  
Learning Vector Quantization ◽  
Raspberry Pi ◽  
Data Input

Penyakit diabetes mellitus dan infeksi lambung dapat dideteksi melalui bau mulut tidak sedap penderita (halitosis). Halitosis merupakan suatu keadaan di mana terciumnya bau mulut pada saat seseorang mengeluarkan nafas (biasanya tercium pada saat berbicara). Penelitian ini bertujuan untuk membuat suatu sistem identifikasi dan klasifikasi kesehatan mulut (halitosis). Sensor gas TGS-2602 akan mendeteksi kadar gas pada mulut penderita, dan mengirim data berupa sinyal analog ke mikrokontroler ATmega 328. Dengan melakukan pemrograman baca data pada Raspberry Pi, data dari mikrokontroler disimpan pada sebuah file dan kemudian data tersebut diolah menggunakan metode Fast Fourier Transform (FFT) sehingga didapatkan pola data yang diinginkan. Pola data hasil keluaran Fast Fourier Transform (FFT) ini akan digunakan sebagai data input pada metode jaringan saraf tiruan Learning Vector Quantization (LVQ). Pengujian sistem dilakukan kepada orang dengan bau mulut penderita halitosis dan tidak halitosis. Hasil penelitian diperoleh persentase tingkat keberhasilan respon sensor terhadap sampel halitosis ringan 25%, sampel halitosis sedang 50%, sampel Halitosis akut 50% dan sampel tidak halitosis 100%.

scholarly journals Identifikasi Penyakit Diabetes Mellitus Melalui Nafas Berbasis Sensor Gas Dengan Metode Fast Fourier Transform dan Backpropagation

2018 ◽  
Vol 2 (02) ◽  
pp. 35-41
Author(s):  
Mohammad Hafiz Hersyah
Keyword(s):  
Diabetes Mellitus ◽  
Fourier Transform ◽  
Fast Fourier Transform

Penelitian ini bertujuan untuk mendeteksi bau mulut seseorang apakah diabetes mellitus atau tidak. Pada penderita diabetes mellitus yang tidak terkontrol akan mengakibatkan turunnya kadar air liur yang mengakibatkan bau mulut. Sistem yang dirancang menggunakan sensor gas TGS 2602 yang berfungsi untuk mendeteksi kadar gas hidrogen sulfida dan sensor gas MQ 4 yang berfungsi untuk mendeteksi kadar gas methane yang terkandung pada nafas seseorang. Untuk pengambilan keputusan, sistem ini menggunakan jaringan syaraf tiruan dengan metode pembelajaran backpropagation. Hasil yang diperoleh dengan 5 kali pengujian pada sampel diabetes mellitus dapat dideteksi dengan tingkat keberhasilan 80%, sedangkan untuk sampel acak dapat dideteksi dengan tingkat keberhasilan 80% tidak mengalami diabetes mellitus. Dengan adanya sistem ini, diharapkan dapat dijadikan sebagai alternatif untuk menguji apakah seseorang menderita diabetes mellitus atau tidak.

scholarly journals Identifikasi Jenis Kayu Berdasarkan Fitur Tekstur Local Binary Pattern Menggunakan Metode Learning Vector Quantization

2021 ◽  
Vol 10 (3) ◽  
pp. 157
Author(s):  
Ni Made Yeni Dwi Rahayu ◽  
Made Windu Antara Kesiman ◽  
I Gede Aris Gunadi
Keyword(s):  
Machine Learning ◽  
Vector Quantization ◽  
Local Binary Pattern ◽  
Learning Vector Quantization ◽  
Data Input

Pada umumnya pengenalan jenis kayu masih dilakukan dengan menggunakan indera penglihatan dan penciuman. Hal tersebut dapat mempengaruhi proses jual beli dimana waktu yang dibutuhkan untuk pengenalan kayu menjadi lebih lama sehingga menyebabkan proses bisnis menjadi kurang efektif. Penelitian ini bertujuan untuk membangun suatu model machine learning untuk proses identifikasi jenis kayu berdasarkan fitur teksur citra pada kayu. Metode Local Binary Pattern (LBP) digunakan dalam proses ekstraksi ciri untuk menghasilkan vektor ciri yang dijadikan data input pada proses klasifikasi citra dengan menggunakan metode Learning Vector Quantization (LVQ). Parameter yang digunakan pada metode LBP meliputi numpoint dan radius dengan nilai 1 sampai 10. Hasil penelitian dari metode ini didapatkan akurasi tertinggi 68,33% pada numpoint 2 dan radius 1. Hasil pengujian yang cukup rendah dapat dipengaruhi oleh beberapa faktor yaitu jumlah citra latih dan terdapat beberapa citra kayu memiliki pola yang hampir sama.

scholarly journals Identifikasi Penyakit Diabetes Mellitus Melalui Nafas Berbasis Sensor Gas Dengan Metode Fast Fourier Transform dan Backpropagation

2018 ◽  
Vol 2 (02) ◽  
pp. 85-91
Author(s):  
Mohammad Hafiz Hersyah ◽  
Andrizal Andrizal ◽  
Revinessia Revinessia
Keyword(s):  
Neural Network ◽  
Diabetes Mellitus ◽  
Fourier Transform ◽  
Hydrogen Sulfide ◽  
Fast Fourier Transform ◽  
Success Rate ◽  
The Neural Network ◽  
Random Samples ◽  
Backpropagation Method ◽  
Bad Breath

The purpose of this research is to detect whether a person has diabetes mellitus or not. In people with diabetes mellitus uncontrolled will result in a decline in the rate of saliva that results in bad breath. The system uses the sensor TGS 2602 and MQ 4. It's function is to detect the levels of Hydrogen Sulfide and Methan in a person’s breath. The decision is made by using the neural network with a backpropagation method. The result for 5 (five) tests of diabetes mellitus samples can be detected with a success rate of 80%, whereas using random samples, the test detected with detected with a success rate of 80% samples that didn’t contain diabetes mellitus. This system could provide a solution for testing if a person is suffering from diabetes mellitus

scholarly journals Sistem Pendukung Keputusan Untuk Mendeteksi Penyakit Diabetes Melitus Tipe 2 Menggunakan Metode Learning Vector Quantization (LVQ)

2020 ◽  
Vol 17 (2) ◽  
pp. 150-159
Author(s):  
N Aliyanti ◽  
R Ratianingsih ◽  
J W Puspita
Keyword(s):  
Diabetes Mellitus ◽  
Type 2 Diabetes ◽  
Metabolic Syndrome ◽  
Type 2 Diabetes Mellitus ◽  
Vector Quantization ◽  
Learning Vector Quantization ◽  
Learning Rate ◽  
Abdominal Circumference ◽  
Stage 1

ABSTRACT Diabetes is a chronic disease that occurs when the pancreas does not produce enough insulin, or when the body can not effectively use the insulin that is produced. Diabetes mellitus can be divided into two types: Type 1 diabetes mellitus and diabetes mellitus type 2. This study aims to detect diabetes mellitus and may predict the development status (Metabolic Syndrome) using Learning Vector Quantization. The data needed to detect type 2 diabetes are blood sugar levels, genetics, age, physical activity, diet, smoking habits, body mass index, gender and abdominal circumference. In addition, the data also used HbA1C and cholesterol levels to detect the status of the development of type 2 diabetes mellitus (Metabolic Syndrome). The classification process is divided into two stages: stage 1 to determine the type 2 diabetes or Non diabetes mellitus, and phase 2 to predict the prognosis of type 2 diabetes into Metabolic Syndrome or Non Metabolic Syndrome (the patient is still in the category of type 2 diabetes) performed on 200 data respectively divided into 80 training data and 120 testing data. Best detection results at stage 1 that is equal to 96.67% can be obtained using learning rate (α) of 0.7, and the rate of decrement (decα) of 0.75.While the best detection results at stage 2 average accuracy rate of 92.5% using a variety of learning rate (α) and the rate of decrement (decα). Error detection in stage 2 occurs only in the Metabolic Syndrome data detected as Type 2 diabetes mellitus. Keywords      : Accuracy, Diabetes Mellitus, Learning Vector Quantization

Λήψη αποφάσεων και ασαφής λογική

2020 ◽  
Author(s):  
Ελένη Βλάμου
Keyword(s):  
Fourier Transform ◽  
Fast Fourier Transform ◽  
Vector Quantization ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Back Propagation ◽  
Fuzzy Inference Systems ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Inference Systems

Η ασαφής λογική αποτελεί μια θεωρία της οποίας οι εφαρμογές έχουν σκοπό να παρέχουν βελτιωμένες λύσεις σε προβλήματα με υψηλό βαθμό αβεβαιότητας. Η θεωρία, η τεχνολογία και οι εφαρμογές της ασαφούς λογικής έχουν σημειώσει τα τελευταία χρόνια ταχύτατη ανάπτυξη και έχουν καταστεί αξιόπιστο και εύχρηστο εργαλείο σε πολλές επιστημονικές και ερευνητικές περιοχές. H παρούσα διατριβή εστιάζει στην κατανόηση των δομών της ασαφούς λογικής, και στην ανάλυση των ασαφών κανόνων και συστημάτων. Γίνεται μια ολοκληρωμένη παρουσίαση της θεωρίας ασαφών συνόλων με έμφαση στην κατανόηση των ασαφών συστημάτων (Fuzzy Inference Systems). Σκοπός είναι η ανάλυση της αποτελεσματικότητας της εφαρμογής της ασαφούς λογικής σε ποικίλα ασαφή συστήματα. Επιπλέον εστιάζει στην ανάδειξη της σπουδαιότητας της ασαφούς λογικής και των ασαφών συστημάτων λήψεως αποφάσεων, η χρήση των οποίων παρουσιάζει σημαντικά πλεονεκτήματα αναφορικά με την αποτελεσματικότητά τους. Ειδικότερα, η μίξη των τεχνητών νευρωνικών δικτύων και ασαφών συστημάτων επιτρέπει στους ερευνητές να διαμορφώνουν προβλήματα με την ανάπτυξη των έξυπνων και προσαρμοστικών συστημάτων. Έτσι γίνεται η περιγραφή του μοντέλου του ασαφούς νευρωνικού δικτύου και παρουσιάζονται εκπαιδευτικοί αλγόριθμοι (όπως ο Back-Propagation) που χρησιμοποιείται για τη βελτίωση της απόδοσης του δικτύου. Η βελτιωμένη αποδοτικότητα των εκπαιδευμένων ασαφών δικτύων επιβεβαιώνεται με την εφαρμογή και οπτικοποίηση του αλγορίθμου Back-Propagation στην Matlab. Επιπλέον γίνεται ανάλυση της εφαρμογής των ασαφών συστημάτων με σκοπό την αναγνώριση προτύπων και ανάλυση εγκεφαλογραφικού σήματος. Έτσι, γίνεται περιγραφή των γραμμικών μεθόδων αναγνώρισης προτύπων για την ανάλυση του σήματος του εγκέφαλου (όπως οι μετασχηματισμοί Fast Fourier transform, μετασχηματισμός Wavelet και μετασχηματισμός Vector Quantization) με σκοπό την προβολή της υπεροχής των ασαφών νευρωνικών δικτύων (SOMF), των συστημάτων ασαφών ταξινομητών και των ταξινομητών προσαρμοσμένων ασαφών νευρωνικών συστημάτων (ANFIS-Adaptive Neuro-Fuzzy Inference System). Επιπλέον, αναλύεται η εφαρμογή των ασαφών δικτύων αναφορικά με τη διάγνωση της επιδημιολογίας η οποία ενισχύεται με την παρουσίαση διαφορετικών επιδημιολογικών μοντέλων (όπως τα στοχαστικά επιδημιολογικά μοντέλα, π.χ. το μοντέλο SI και SIS, και τα ντετερμινιστικά επιδημιολογικά μοντέλα όπως το μοντέλο SIR) με σκοπό να αναδείξει την υπεροχή των ασαφών μεθόδων σε αυτήν την περίπτωση. Η περιγραφή των ασαφών μοντέλων SI και SIS αναδεικνύει την υπεροχή τους που ενισχύεται με την ανάλυση των ασαφών πιθανοτήτων για τη λήψη αποφάσεων στον τομέα της επιδημιολογίας. Επιπλέον, παρουσιάζεται η εφαρμογή των ασαφών συστημάτων σε θέματα βελτίωσης της απόδοσης των γενετικών αλγορίθμων. Γίνεται η ανάλυση των βασικών αρχών και χαρακτηριστικών των γενετικών αλγορίθμων, η περιγραφή των προσαρμοζόμενων πιθανοτήτων διέλευσης και μετάλλαξης και η ανάλυση των γενετικών παραγόντων που οδηγούν στην ανάπτυξη της εξέλιξης των αισθητήρων (EGP). Με αυτό τον τρόπο υποστηρίζεται η βελτιωμένη απόδοση και η αποτελεσματικότητα των ασαφών γενετικών αλγορίθμων.

Sign in / Sign up

Export Citation Format

Share Document